一种市场数据长期预测模型训练方法、装置、设备及存储介质制造方法及图纸

本申请提供一种市场数据长期预测模型训练方法、装置、设备及存储介质，涉及神经网络技术领域。该方法包括：获取样本数据集；根据所述样本数据集，训练预设门控循环单元结构GRU模型；根据改进型损失函数，验证训练中的预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，所述目标GRU模型用于根据市场环境数据预测销售数据，所述改进型损失函数由两时间序列的变动趋势、变动幅度以及点之间的距离确定。该方法通过改进型损失函数与预设GRU模型，保证预测市场情况的高效性和准确性。保证预测市场情况的高效性和准确性。保证预测市场情况的高效性和准确性。

【技术实现步骤摘要】
一种市场数据长期预测模型训练方法、装置、设备及存储介质


[0001]本申请涉及神经网络
，具体而言，涉及一种市场数据长期预测模型训练方法、装置、设备及存储介质。

技术介绍

[0002]模型预测是通过预测模型，当输入的数据改变后，输出数据会有什么样的变化的过程。
[0003]现有技术中，为了生产、销售更有保障，通常需要训练模型对市场情况进行预测。目前，主要通过LSTM(Long Short
‑
Term Memory)模型进行模型预测，但是LSTM模型的复杂度太高，不利于高效、准确的预测市场情况。

技术实现思路

[0004]本申请的目的在于，针对上述现有技术的不足，提供一种市场数据长期预测模型训练方法、装置、设备及存储介质，以解决现有技术中预测模型的复杂度太高导致预测市场情况低效、不准确的问题。
[0005]为实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供一种市场数据长期预测模型训练方法，该方法包括：
[0007]获取样本数据集，其中，所述样本数据集包括：预设时间段的市场数据，所述市场数据标注有实际销售数据；
[0008]根据所述样本数据集，训练预设门控循环单元结构GRU模型；
[0009]根据改进型损失函数，验证训练中的预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，所述目标GRU模型用于根据市场环境数据预测销售数据，所述改进型损失函数由两时间序列的变动趋势、变动幅度以及点之间的距离确定。
[0010]可选地，所述根据所述样本数据集，训练预设门控循环单元结构GRU模型，包括：
[0011]根据所述样本数据集中各数据的时间维度，提取数据特征；
[0012]将所述实际销售数据对应的数据特征作为输出、其他市场数据对应的数据特征作为输入，训练所述预设GRU模型。
[0013]可选地，所述将所述实际销售数据对应的数据特征作为输出、其他市场数据对应的数据特征作为输入，训练所述预设GRU模型，包括：
[0014]将所述实际销售数据进行平滑处理后，作为输出特征数据；
[0015]将所述其他市场数据求z
‑
score标准化处理后，作为输入特征数据；
[0016]根据所述输入特征数据、所述输出特征数据，训练所述预设GRU模型。
[0017]可选地，所述根据所述输入特征数据、所述输出特征数据，训练所述预设GRU模型，包括：
[0018]根据所述输入特征数据和所述输出特征数据构建CART回归树；
[0019]A、根据所述CART回归树，筛选新的特征数据；
[0020]B、将所述新的特征数据重构为满足所述GRU模型格式要求的待训练特征数据；
[0021]C、采用所述待训练特征数据训练所述预设GRU模型。
[0022]可选地，所述根据改进型损失函数，验证训练中的所述预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，包括：
[0023]循环执行所述A～C，根据所述改进型损失函数，验证训练中的所述预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型。
[0024]可选地，所述样本数据集包括：训练数据集和验证数据集；
[0025]所述根据所述样本数据集，训练预设门控循环单元结构GRU模型，包括：
[0026]根据所述训练数据集，训练预设门控循环单元结构GRU模型；
[0027]所述根据改进型损失函数，验证训练中的所述预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，包括：
[0028]根据所述验证数据集和所述改进型损失函数，验证训练中的所述预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型。
[0029]第二方面，本申请实施例提供一种市场数据长期预测方法，该方法包括：
[0030]获取待预测市场环境数据；
[0031]将所述待预测市场环境数据作为输入数据，采用上述第一方面的目标GRU模型，获取输出的销售预测数据。
[0032]第三方面，本申请实施例提供一种市场数据长期预测模型训练装置，包括：
[0033]获取模块，用于获取样本数据集，其中，所述样本数据集包括：预设时间段的市场数据，所述市场数据标注有实际销售数据；
[0034]训练模块，用于根据所述样本数据集，训练预设门控循环单元结构GRU模型；
[0035]目标模块，根据改进型损失函数，验证训练中的所述预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，所述目标GRU模型用于根据市场环境数据预测销售数据，所述改进型损失函数由两时间序列的变动趋势、变动幅度以及点之间的距离确定。
[0036]第四方面，本申请实施例提供一种计算机设备，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面或第二方面所述的方法。
[0037]第五方面，本申请实施例提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述第一方面或第二方面所述的方法。
[0038]相对现有技术而言，本申请具有以下有益效果：
[0039]本申请实施例提供的一种市场数据长期预测模型训练方法、装置、设备及存储介质中，通过获取样本数据集，样本数据集包括：预设时间段的市场数据，市场数据标注有实际销售数据，再根据样本数据集，训练预设GRU模型，最后根据改进型损失函数，验证训练中的预设GRU模型，在改进型损失函数满足预设条件后，获取目标GRU模型，其中，训练预设GRU模型，相比现有技术中的LSTM模型，具有较少的参数，计算速度更快，即可以高效的预测市场情况，并且，本申请采用改进型损失函数，考虑了两时间序列的变动趋势、变动幅度以及点之间的距离，通过权重系数调整两条序列之间的变动趋势和变动幅度和序列值的相对重
要性，使得GRU模型在训练时，保证预测序列和真实序列的绝对距离较近，保证预测序列和真实序列的变动趋势一致，使得目标GRU模型能够学习到市场数据的长期信息，提高预测市场情况的准确性。
附图说明
[0040]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0041]图1为本申请实施例提供的一种市场数据长期预测模型训练方法的流程示意图；
[0042]图2为本申请实施例中提供的两条时间序列在相同分割点分段的示意图；
[0043]图3为本申请实施例提供的一种训练预设GRU模型的流程示意图；
[0044]图4为本申请实施例提供的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种市场数据长期预测模型训练方法，其特征在于，包括：获取样本数据集，其中，所述样本数据集包括：预设时间段的市场数据，所述市场数据标注有实际销售数据；根据所述样本数据集，训练预设门控循环单元结构GRU模型；根据改进型损失函数，验证训练中的预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，所述目标GRU模型用于根据市场环境数据预测销售数据，所述改进型损失函数由两时间序列的变动趋势、变动幅度以及点之间的距离确定。2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据集，训练预设门控循环单元结构GRU模型，包括：根据所述样本数据集中各数据的时间维度，提取数据特征；将所述实际销售数据对应的数据特征作为输出、其他市场数据对应的数据特征作为输入，训练所述预设GRU模型。3.根据权利要求2所述的方法，其特征在于，所述将所述实际销售数据对应的数据特征作为输出、其他市场数据对应的数据特征作为输入，训练所述预设GRU模型，包括：将所述实际销售数据进行平滑处理后，作为输出特征数据；将所述其他市场数据求z
‑
score标准化处理后，作为输入特征数据；根据所述输入特征数据、所述输出特征数据，训练所述预设GRU模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述输入特征数据、所述输出特征数据，训练所述预设GRU模型，包括：根据所述输入特征数据和所述输出特征数据构建CART回归树；A、根据所述CART回归树，筛选新的特征数据；B、将所述新的特征数据重构为满足所述GRU模型格式要求的待训练特征数据；C、采用所述待训练特征数据训练所述预设GRU模型。5.根据权利要求4所述的方法，其特征在于，所述根据改进型损失函数，验证训练中的所述预设GRU模型，在所述改进型损失函数满足预设条件后，获取目标GRU模型，包括：循环执行所述A～C，根据所述改进型损失函数，验证训练中的所述预设GRU模型，在所...

【专利技术属性】
技术研发人员：张志伟，娄海川，查百惠，
申请(专利权)人：浙江中控技术股份有限公司，
类型：发明
国别省市：